Forskere fra Innopolis University, Kazan State Medical University og
I et eksperiment beskrevet i en artikel i Journal ofDigital Imaging, fire praktiserende radiologer med erhvervserfaring fra tre til 30 år deltog. Under undersøgelsen registrerede forskere, hvordan lægens blik bevæger sig, når de studerer et røntgenbillede. Den primære analyse viser, hvor lang tid det tager specialisten at vurdere billedet, og hvilke områder der tiltrækker lægens opmærksomhed. Yderligere analyse ved hjælp af AI afslørede nøglemønstre.
En radiologs arbejdsplads udstyret med et øjensporingssystem til at udføre et eksperiment. Billede: Innopolis University
Radiologer blev bedt om at analysere 400billeder af brystorganerne på en speciel enhed med et yderligere installeret system til øjensporing. En algoritme udviklet ved Innopolis University baseret på en modificeret arkitektur af U-Net neurale netværk identificerede lungernes kontur på røntgenbilleder af thorax og målte området af lungebilledet, som lægen så på.
I gennemsnit undersøgte radiologer 55 til 65 % aflungeområdet på røntgen. Forsøget viste, at jo flere billeder lægerne fortolkede, jo mindre del af lungerne dækkede de med et blik, og den mest erfarne radiolog med tredive års erfaring viste det mindste dækningsområde af lungerne med et blik.
Ilya Pershin, forskningsingeniør, Laboratory of Artificial Intelligence in Medicine, Innopolis University
Undersøgelsen viste, at for hver 100af de undersøgte billeder faldt det område af røntgenbilledet, som lægen er opmærksom på, med et gennemsnit på 1,3-7,6%. Virkningen af træthed på røntgenanalyse blev observeret hos alle læger og forskellige patologier i billederne, men på forskellige måder: i nærvær af tegn på farlige ændringer studerede selv "trætte" radiologer billederne mere omhyggeligt.
Et eksempel på vurdering af de områder, hvor lægernes øjne var rettet mod. Billede: Innopolis University
Forfatterne af undersøgelsen bemærker, at de savnedepatologi i billedet er en af de mest almindelige medicinske fejl hos radiologer. At forstå, hvordan træthed og andre faktorer påvirker kvaliteten af billedanalyse, vil hjælpe med at optimere AI-systemer til billedanalyse og støtte radiologer med mere information til at stille en nøjagtig diagnose.
Læs mere:
Mysteriet med de røde striber på Jupiters satellit afsløres
Migræne og hovedpine fandt en ny forklaring
Fandt en "umulig" planet. Hun trodser moderne videnskab